functional magnetic resonance imaging
PulseAugur coverage of functional magnetic resonance imaging — every cluster mentioning functional magnetic resonance imaging across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
新的NEAR框架以更少的试次提升脑图检索性能
研究人员开发了一个名为NEAR（神经锚定检索）的新框架，以提高在神经试次有限情况下的脑图检索准确性。传统方法需要大量重复，这既耗时又繁重。NEAR通过使用高试次中心作为锚点，采用去噪器处理噪声查询，并使用一个网络预测图像的伪锚点来解决这个问题。这种方法在EEG、MEG和fMRI数据集的低试次场景下持续提升检索性能，使神经检索在实际应用中更加实用。
-
新框架ConceptAlign提高了视觉大脑解码的准确性
研究人员开发了一个名为ConceptAlign的新框架，以提高视觉大脑解码的准确性。视觉大脑解码是指从fMRI等神经测量中重建视觉内容。该方法采用反事实方法，将解码的视觉令牌与真实字幕对齐，同时区分它们与合理的但错误的场景解释。在Natural Scenes Dataset上的实验表明，与MindEye2等现有模型相比，ConceptAlign提高了重建质量和语义区分能力。
-
新技术利用神经科学原理绘制AI模型“思维图谱”
研究人员开发了一种新颖的方法来探究大型语言模型的内部工作机制，该方法借鉴了神经科学技术。这种被称为“激活分析”的方法，利用功能性磁共振成像（fMRI）的原理来绘制GPT-4或Claude 3等模型在特定输入下不同部分如何响应。其目标是理解这些AI系统中发生的“想法”或计算过程，从而可能实现更具可解释性和可控性的模型。
-
新的 Transformer 框架通过 fMRI 和元数据增强脑状态解码
研究人员开发了一个新框架，该框架整合了基于 Transformer 的架构与功能性磁共振成像 (fMRI) 数据和数字成像和通信医学 (DICOM) 元数据，以改进脑状态解码。该方法利用注意力机制捕捉复杂的时空模式和上下文关系，旨在提高模型的准确性、可解释性和鲁棒性。该框架在临床诊断、认知神经科学和个性化医疗领域具有应用潜力，但也承认元数据变异性和计算需求方面的挑战。
-
大型语言模型在创造性思维中展现出与人脑的对齐
一项发表在arXiv上的新研究探讨了在创造性思维任务中，大型语言模型（LLMs）与人脑的对齐情况。研究人员使用了参与者执行“替代用途测试”（AUT）时的功能性磁共振成像（fMRI）数据，并分析了不同规模LLMs的表征。研究发现，大脑-LLM的对齐程度与模型规模以及生成想法的原创性呈正相关，尤其是在创造过程的早期阶段。此外，研究表明训练后目标会影响这种对齐，与针对创造性优化的模型相比，经过推理训练的变体展现出不同的模式。
-
派拉蒙电影承诺、中国火箭发射失败、犬类情感研究以及游戏重制版澄清
据 Deadline 报道，如果派拉蒙收购华纳兄弟的交易成功，该公司据称将承诺每年发行 30 部电影，持续三年。在不相关的消息中，一枚使用 YF-100 发动机的中国火箭在飞行中发生故障，引发了对该国航天计划的担忧。另外，使用 fMRI 扫描的研究表明，狗在快乐、恐惧、愤怒和悲伤等情绪方面表现出不同的脑活动模式。此外，Bethesda 澄清说，即将推出的 Switch 2 版《Oblivion》是重制版，而非复刻版，并强调原版游戏的核…
-
新的联邦学习框架改进了跨站点的脑连接分析
研究人员开发了 FedDOSE，一个新颖的联邦学习框架，旨在改进跨多个站点的脑成像数据中动态功能连接的分析。该框架通过显式分解特定于站点的效应，解决了多站点数据固有的统计异质性挑战。FedDOSE 利用模块化引导的 Tucker 分解来处理高维动态功能连接张量，并采用最优传输和 Procrustes 分析来对齐特定类别的原型。在自闭症谱系障碍和注意力缺陷多动障碍数据集上的实验表明，FedDOSE 在检测方面的性能优于现有方法。
-
新的MPP-GNN模型利用fMRI数据推进阿尔茨海默病分类
研究人员开发了一种名为MPP-GNN的新图神经网络模型，用于分析功能性磁共振成像（fMRI）数据以分类阿尔茨海默病。该模型通过适应受试者间的变异性并利用发现的大脑模块来指导连接模式学习，从而解决了现有方法的局限性。MPP-GNN在两个公共数据集上取得了优越的性能，并与Yeo大脑图谱一致，揭示了阿尔茨海默病患者的网络级去分化模式。
-
新的fMRI2Face框架可从大脑活动重建人脸
研究人员推出fMRI2Face，一个旨在从功能性磁共振成像（fMRI）数据重建动态人脸的新型框架。该框架基于fMRI-Face数据集，这是首个将fMRI记录与高清（1080p）数字人脸视频配对的数据集。该数据集包含超过62,000个样本，记录了参与者在观看受控面部视频时的大脑活动。fMRI2Face利用从脑信号派生的两个关键神经控制：一个用于外观上下文，另一个用于面部动态的显式几何感知引导，从而实现高保真重建。
-
新的ST-VTD框架改进了神经影像时空数据分析
研究人员开发了一个名为时空变分张量分解（ST-VTD）的新框架，以更好地模拟多主体时空数据（尤其是在神经影像领域）中复杂、受试者特定的模式。该方法将张量分解生成模型与结构化先验相结合，为空间因子使用低秩结构，为时间动态使用基于长短期记忆（LSTM）的学习先验。该框架利用了摊销变分公式进行后验推理，并结合了基于组独立成分分析的预热策略以增强优化。在合成fMRI数据上的实验表明，与现有基准相比，ST-VTD显著提高了潜在因子的恢复能力。
-
AI模型脑部对齐与意义抽象相关，而非预测
一项新的研究论文表明，语言和语音模型与人类大脑反应之间的对齐源于共享的意义抽象，而非下一个词的预测能力。研究发现，这些模型中的中间层，其特点是内在维度（衡量特征复杂度的指标）达到峰值，最能有效地预测大脑活动。这种语义丰富性和高内在维度似乎相互映照，表明模型-大脑相似性的关键驱动因素是从输入数据中抽象意义。
-
新的深度学习模型解码大脑活动中的视觉感知
研究人员开发了从大脑活动中解码视觉语义信息的新型深度学习方法。一项研究利用基于Transformer的端到端深度学习框架和皮层脑电图（ECoG）数据来预测视频刺激中的视觉类别，显示出有希望的结果和可解释性。另一项研究探索了使用脉冲神经网络（SNN）和功能磁共振成像（fMRI）数据进行视觉语义解码，发现SNN衍生的特征比传统人工神经网络特征更能与大脑活动对齐并提高解码准确性。
-
新的KReTTaH框架通过张量训练提供无数据插补
引入了一个名为KReTTaH的新框架，用于多路数据插补，利用张量训练和Hadamard过参数化的核回归。该方法被设计为无训练数据、可解释和非参数的。KReTTaH将插补问题重新表述为再生核希尔伯特空间内的回归问题，将张量回归系数约束在固定秩张量训练流形上，并采用Hadamard过参数化以提高效率。在功能性磁共振成像数据和动态图恢复上的数值测试表明，KReTTaH在准确性方面优于当前最先进的张量、贝叶斯和神经网络方法。
-
新指标显示语义相关性追踪语音理解过程中的大脑活动
研究人员开发了一种名为上下文语义相关性的新指标，以更好地理解自然语言语音理解过程中的大脑活动。该指标衡量传入单词与其近期语义上下文的关联强度，在两个公共数据集Alice和Moth的多个感兴趣区域中，与传统意外性指标相比，与fMRI BOLD反应的相关性更强。研究结果表明，血流动力学反应对上下文语义整合特别敏感，将语言理解的计算模型扩展到简单的预测之外。
-
大型语言模型的语言能力驱动大脑活动的左右预测不对称性
研究人员发现，大型语言模型（LLMs）在预测人类大脑活动方面存在左右不对称性，这种不对称性随着模型正式语言能力的提升而出现。使用fMRI数据和OLMo-2-7B、Pythia等模型观察到的这种不对称性，与模型区分可接受和不可接受句子以及生成格式正确文本的能力相关。研究发现，大脑半球之间这种预测准确性的差异，与算术、Dyck语言任务或基于推理的文本任务的表现不符，表明其与语言处理存在特定联系。
-
新的fMRI解码方法显示语言模型掩盖了失败
研究人员开发了一种从fMRI信号解码连续语言的新方法，通过扩展体素选择和更先进的语言模型来改进现有的编码流程。他们还引入了fMRIFlamingo，一个将大脑活动映射到冻结的Llama-3.2-1B模型的系统。然而，严格的测试显示，明显的解码成功在很大程度上是由于语言模型自身的先验知识，而不是神经输入，这突显了对此类系统进行仔细评估的必要性。
-
新的SpectralOT方法实现了跨个体脑fMRI数据的对齐
研究人员开发了一种名为SpectralOT的新型fMRI数据功能对齐方法。该技术旨在通过在保留解剖结构的同时对齐功能特征来提高脑活动解码器在个体间的泛化能力。SpectralOT将皮层几何嵌入到拉普拉斯-贝尔特拉米特征模式中以规范化对齐过程，解决了大脑反应模式在个体间变异性的挑战。
-
新的BCI框架利用LLM解码多模态脑信号
研究人员开发了一种新颖的脑机接口（BCI）框架，该框架通过利用多模态大语言模型（MLLMs）从脑信号中解码语言。这种方法将大脑活动与文本、图像和音频对齐，超越了单模态表示。动态路由模块融合了特定于模态的脑部特征，在fMRI、EEG和MEG数据上取得了最先进的性能，在一个通用基准上提高了8.48%。这种统一的架构是同类中的第一个，能够稳健地解码跨越不同信号类型和刺激的多模态脑活动。
-
对抗鲁棒性改进了基于CLIP的脑解码
研究人员探索了使用CLIP（一种视觉-语言模型）对fMRI数据进行脑解码任务。他们研究了对抗鲁棒性表示是否可以提高神经解码性能。通过对CLIP应用对抗训练，研究发现与标准的CLIP表示相比，这些鲁棒变体在任务性能上持续提高，并显示出与大脑活动的更强对齐。这表明对抗鲁棒性可以作为选择脑解码目标表示的宝贵标准。
-
新的RABBiT模型以高精度预测大脑对语音的反应
研究人员开发了RABBiT，这是一种新颖的音频到fMRI编码器，旨在以高精度预测零样本和少样本场景下大脑对语音的反应。该模型通过结合学习到的特定区域注意力并将大脑反应分解为共享和受试者特定成分，显著优于现有的最先进方法和群体平均水平。RABBiT的参数高效调优允许在最少的受试者特定数据的情况下实现显著的性能提升，从而能够对人类大脑中的语言进行更具可扩展性的分析。